Commission VII, WG VII/4KEY WORDS: Object Based Image Analysis, Region-based scale, Classification, Multiresolution Segmentation, Estimation of Scale Parameter (ESP). ABSTRACT:Within the last two decades, object-based image analysis (OBIA) considering objects (i.e. groups of pixels) instead of pixels has gained popularity and attracted increasing interest. The most important stage of the OBIA is image segmentation that groups spectrally similar adjacent pixels considering not only the spectral features but also spatial and textural features.Although there are several parameters (scale, shape, compactness and band weights) to be set by the analyst, scale parameter stands out the most important parameter in segmentation process. Estimating optimal scale parameter is crucially important to increase the classification accuracy that depends on image resolution, image object size and characteristics of the study area. In this study, two scale-selection strategies were implemented in the image segmentation process using pan-sharped Qickbird-2 image. The first strategy estimates optimal scale parameters for the eight sub-regions. For this purpose, the local variance/rate of change (LV-RoC) graphs produced by the ESP-2 tool were analysed to determine fine, moderate and coarse scales for each region. In the second strategy, the image was segmented using the three candidate scale values (fine, moderate, coarse) determined from the LV-RoC graph calculated for whole image. The nearest neighbour classifier was applied in all segmentation experiments and equal number of pixels was randomly selected to calculate accuracy metrics (overall accuracy and kappa coefficient). Comparison of region-based and image-based segmentation was carried out on the classified images and found that region-based multi-scale OBIA produced significantly more accurate results than imagebased single-scale OBIA. The difference in classification accuracy reached to 10% in terms of overall accuracy.
Commission VII, WG VII/4KEY WORDS: Object Based Image Analysis, Region-based scale, Classification, Multiresolution Segmentation, Estimation of Scale Parameter (ESP). ABSTRACT:Within the last two decades, object-based image analysis (OBIA) considering objects (i.e. groups of pixels) instead of pixels has gained popularity and attracted increasing interest. The most important stage of the OBIA is image segmentation that groups spectrally similar adjacent pixels considering not only the spectral features but also spatial and textural features.Although there are several parameters (scale, shape, compactness and band weights) to be set by the analyst, scale parameter stands out the most important parameter in segmentation process. Estimating optimal scale parameter is crucially important to increase the classification accuracy that depends on image resolution, image object size and characteristics of the study area. In this study, two scale-selection strategies were implemented in the image segmentation process using pan-sharped Qickbird-2 image. The first strategy estimates optimal scale parameters for the eight sub-regions. For this purpose, the local variance/rate of change (LV-RoC) graphs produced by the ESP-2 tool were analysed to determine fine, moderate and coarse scales for each region. In the second strategy, the image was segmented using the three candidate scale values (fine, moderate, coarse) determined from the LV-RoC graph calculated for whole image. The nearest neighbour classifier was applied in all segmentation experiments and equal number of pixels was randomly selected to calculate accuracy metrics (overall accuracy and kappa coefficient). Comparison of region-based and image-based segmentation was carried out on the classified images and found that region-based multi-scale OBIA produced significantly more accurate results than imagebased single-scale OBIA. The difference in classification accuracy reached to 10% in terms of overall accuracy.
LiDAR verisi yüksek doğruluğu ve zengin nokta bulutu içeriği sayesinde bina gibi kentsel detayların çıkarımında sıklıkla kullanılmaktadır. Son yıllarda ham LiDAR nokta bulutu verisinin doğrudan kullanıldığı obje çıkarımı, üç boyutlu modelleme, değişim analizi gibi çalışmalar oldukça yaygınlaşmıştır. Bu çalışmalarda LiDAR nokta bulutu verisinin sınıflandırılması için LiDAR'dan gönderilen ve kaydedilen sinyalin özellikleri yoğunlukla kullanılmaktadır. Bununla birlikte, LiDAR nokta bulutuna ait komşuluk verileri, yükseklik verileri ve bu verilerden üretilen öznitelik verileri yardımıyla LiDAR nokta bulutu sınıflandırılmaktadır. LiDAR nokta bulutu yardımıyla bina çıkarımı birden çok nokta bulutu sınıflandırma yaklaşımının birlikte kullanıldığı özel bir uygulama alanı hâline gelmiştir. Bu çalışmada; klasik yaklaşımlardan farklı olarak yerel komşuluk öznitelik verileri yardımıyla bina çıkarımı amaçlanmıştır. Bu amacı gerçekleştirmek için önerilen yaklaşım; (I) her bir 3B noktanın yerel bir komşuluğunun belirlenmesi, (II) yerel komşuluk içerisinde bütün 3B noktalara bağlı olarak öznitelik bilgilerin çıkarımı, (III) 3B noktalarına ait öznitelik verilerinin görüntü düzlemine dönüştürülmesi ve (IV) morfolojik operatörlerin uygulanması ile bina çıkarımı adımlarını içermektedir. Sonuç doğruluğunun artırılması amacıyla nokta bulutu verisinden normalize edilmiş sayısal yükseklik modeli (nSYM) üretilmiş ve öznitelik verileri ile birlikte kullanılarak morfolojik operatörler yardımıyla bina çıkarımı gerçekleştirilmektedir. Çalışma alanı olarak hem farklı türde bina çatıları içermesi hem de yoğun bitki örtüsü alanlarını içeren bir kentsel bölge olan İstanbul Zekeriyaköy bölgesinde iki ayrı çalışma alanı belirlenmiştir. Çalışma alanı 1.933.859 nokta ve çalışma alanı 2.853.247 noktadan oluşan LiDAR verisini içermektedir. Bu çalışmada LiDAR nokta bulutu yerel komşuluk öznitelik verileri yardımıyla bina çıkarımı için önerilen yaklaşımdaki yerel komşuluk tanımlaması, öznitelik çıkarımı ve morfolojik operatörlerle bina çıkarımı işlemleri için Matlab programlama dili kullanılarak uygulamalar geliştirilmiştir. Geliştirilen Matlab uygulamaları kullanılarak çalışma alanında çıkarılan binalar, referans veri setiyle karşılaştırılmış yüksek oranda başarı elde edilmiştir. Çalışma alanına ilişkin elde edilen sonuçlar önerilen yaklaşımın bina çıkarımının başarısının artırılmasında katkı sağladığını göstermektedir.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
334 Leonard St
Brooklyn, NY 11211
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.